通化市气温格点预报订正方法研究

本文采用滑动权重平均订正法对网格预报指导产品进行误差订正,主要结论如下:1)整体而言,网格预报指导产品的气温预报比实况偏低,订正网格预报指导产品气温具有可行性;2)结果分布表明,滑动权重平均订正法中较长的滑动订正周期对气温预报有更好的订正效果,采用滑动权重平均订正法能较好地订正2m最低、最高气温的预报误差;3)误差幅度总体上表明,经过滑动权重平均订正法订正后,很好地改善了气温的预报质量;4)从误差的离散度来看,滑动权重平均订正法可能无法改变网格预报指导产品误差的离散程度,因此具有一定的局限性,需要今后做进一步研究。

基于机器学习的100m高度风速短期预报订正方法

提出一种基于机器学习的先格点订正区域误差、后站点订正局地误差的100 m高度风速短期预报订正方法。首先,基于100 m高度风速格点实况资料,采用深度学习算法对数值天气预报进行格点订正;然后,基于测风塔100 m高度风速观测资料,采用随机森林集成预报订正方法对站点风速预报进行订正;最后,选用内蒙古中部某站点进行分析验证。结果表明,订正前未来84小时风速预报均方根误差(RMSE)为4.25 m/s,格点订正后RMSE降至3.16~3.79 m/s,站点集成订正后RMSE降至2.81 m/s。格点订正后预报误差明显降低,站点集成订正后误差进一步减小。

订正

2025年第1期第100页左栏最后一行,“山西”应为“陕西”。

基于神经网络的台州地区气温订正研究

基于浙江省智能网格模式2 m温度预报产品,采用GFS(全球预报系统)预报资料和台州地区气象观测资料,通过神经网络建立气温订正模型。结果表明:浙江省智能网格模式对台州地区2018—2021年最高气温预报效果良好,2022年最高气温预报准确率偏低,且误差较大;对2018—2021年最低气温预报效果良好,2022年最低气温预报大部分站点误差均增大。订正后2022年各站点最高气温≤2℃温度预报准确率均有明显提升,提升了7%~36%,订正后准确率在81%~86%之间;≤1℃温度预报准确率在44%~53%之间,提升了4%~19%;平均绝对误差在1.4℃以下,下降了0.2~0.9℃。智能网格模式对玉环站最低气温预报效果较好,订正提升空间较小;其他各站点最低气温订正后,≤2℃温度预报准确率提升了2%~31%,≤1℃温度预报准确率提升了3%~25%,订正后平均绝对误差在1.2℃以下,均方根误差在1.5℃以下。说明神经网络对台州地区2 m最高、最低气温预报有良好的订正效果。

两种降水客观统计方法对ECMWF集合平均降水预报的订正研究

提升降水量级预报精度,有助于优化灾害预警与决策支持。选取2018年1月1日至2021年1月山东省逐12 h降水观测数据和欧洲中期天气预报中心(the European Centre for Medium-Range Weather Forecasting,ECMWF)的集合预报集合平均(Ensemble Prediction Ensemble Mean,EPEM)结果进行72 h内逐12 h降水量级预报统计订正,然后对比ECMWF集合平均降水预报插值的原始预报(EC_EPEM)、基于EC_EPEM的输出统计(Model Output Statistics,MOS)预报(EC_EPEM_MOS)、利用最优TS(Threat Score)评分订正(Optimal Threat Score,OTS)预报(EC_EPEM_OTS)的效果。结果表明:EC_EPEM_MOS在较小量级上表现最优,但在大量级上订正效果稍差,甚至略低于EC_EPEM;EC_EPEM_OTS仅在0.1、10 mm量级上低于EC_EPEM_MOS,其他量级均为最优,尤其在较大量级上订正效果更明显。在50、100 mm大量级上,EC_EPEM_OTS在12~72 h时效订正效果均最优,这是由于EC_EPEM_OTS在稍大量级上提高订正系数使得大量级降水漏报率减小,同时对大量级降水使用较小订正系数也减小了空报率。在较小量级降水中短期预报时效除了山东中部山区外EC_EPEM_MOS表现最佳,山区EC_EPEM_OTS最佳;中等以上量级、尤其较大量级降水,山东大部分地区EC_EPEM_OTS表现最佳。EC_EPEM_MOS订正预报有效地减小了EC_EPEM的空报问题。EC_EPEM_OTS的订正效果最佳,在大范围强降雨过程中与实况降雨分布更为接近,降水总体分布把握较好。

基于频率匹配的EC模式定量降水偏差订正

为了提升模式预报效果,文章利用四川盆地南部20182020年59月的EC模式降水预报资料和实况降水资料,采用频率匹配的方法对EC模式的24 h累计降水进行订正、分析和检验。结果表明当降水阈值小于25.0 mm时,EC模式定量降水预报存在明显湿偏差,反之存在弱干偏差。研究结果为提升相关区域的降水预报能力提供支持。

RMAPS模式预报总辐射的3种订正方法应用

为降低光伏功率预测中预报总辐射误差且探讨各类订正方法的适用性,分季节对比分析逐步回归、支持向量机(SVM)和相似误差订正(AnBC)方法对快速更新多尺度分析和预报系统短期预报总辐射的订正效果.结果表明,订正后明显降低了预报误差,一定程度上改善了预报总辐射分布较分散和偏大的情况.酒泉鸿坤光伏电站秋季逐步回归订正效果相对最佳(平均绝对偏差(M_(AE))降低4.56 W/m^(2)),冬季、夏季和春季均是AnBC效果相对最佳(M_(AE)依次降低10.33、12.71、44.27 W/m^(2));敦煌电建汇能光伏电站秋季和冬季均是SVM订正效果相对最佳(M_(AE)分别降低4.73和7.85 W/m^(2)),夏季和春季均是AnBC效果相对最佳(M_(AE)分别降低16.24和34.17 W/m^(2)).两座电站逐小时误差分布显示AnBC效果相对最佳;就各季节相对最佳订正方法而言,订正后春季提高时次百分比最高(酒泉鸿坤为73.88%,电建汇能为77.28%).晴天SVM订正效果最明显,非晴天AnBC效果最明显.

基于时间滞后集合和实时偏差订正的气温精细化预报研究

基于SWC-WINGS模式0.01°×0.01°分辨率的小时2 m气温产品,利用时间滞后集合和实时偏差订正,得到新的逐小时滚动更新的1 km网格气温预报,并基于预报准确率、平均误差、平均绝对误差等指标,对2022年7—8月逐日逐时气温预报结果进行检验分析。结果表明:时间滞后集合预报准确率在各时效均高于SWC-WINGS模式最新时次预报,实时偏差订正可明显提升临近时效准确率,1~6 h时效的平均提高率为17.3%。SWC-WINGS模式对于四川地区高、低温预报存在明显的系统性偏差,时间滞后集合对于系统性偏差的改进能力有限,而实时偏差订正可将1 h时效上四川大部分地区低温和高温预报的平均绝对误差分别控制在1℃和2℃以内。针对2022年8月13日四川地区高温天气,时间滞后集合与实时偏差订正集成预报对SWC-WINGS模式预报有较好的订正效果。

四川地区精细化降水预报融合订正试验及检验

精细化定量降水网格预报是天气预报业务的重点和难点,基于西南区域智能数值网格模式预报系统(Southwest China WRF-based Intelligent Numeric Grid forecast System,SWC-WINGS)1 km×1 km分辨率的小时降水预报,利用时间滞后和概率匹配方法开展融合订正试验,再利用中国气象局多源融合降水系统(CMA Multi-source Precipitation Analysis System,CMPAS)三源融合降水实况格点数据,对2022年7—8月四川地区的小时降水预报融合订正结果进行检验,并在四川盆地西部一次短时强降水天气过程中进行应用,结果表明:(1)时间滞后集合降水预报相较于模式降水预报,存在小量级预报过度,大量级预报过于保守的问题;(2)时间滞后结合概率匹配的降水预报融合订正方法有效提升了各量级降水预报的TS评分,尤其1~2 h预报时效提升显著,小时雨量超过0.1 mm、5 mm、10 mm和20 mm量级的TS评分平均提升率分别为7.2%、17.2%、28.3%和36.3%;(3)一次短时强降水天气过程的应用结果表明,时间滞后结合概率匹配的融合订正方法对模式小时降水预报有较好的改进效果,尤其对大量级降水预报有较强的订正能力。

融合DEM与FY-4A数据的ECMWF预报产品深度学习订正方法

精准的数值天气预报是精细化气象公共服务和商业服务的重要前提。欧洲中期天气预报中心(European Center forMedium Weather Forecasting,ECMWF)预报产品在全球被广泛采用,但始终存在系统预报误差。针对数值天气预报中的误差和多源数据融合中的非线性映射等问题,设计了一个ECMWF数值预报产品的深度学习订正模型(Numerical Forecast CorrectionNetwork,NFC-Net)。NFC-Net引入了FY-4A卫星观测数据、数字高程模型数据(Digital Elevation Model,DEM)和ERA5历史实况数据订正预报结果,利用多源数据空间分辨率对齐模块、时空特征提取模块解决多源异构数据特征的提取与融合问题,并通过UNet网络实现ECMWF预报产品的订正。为了评估所提算法的性能,利用NFC-Net对ECMWF产品中的2 m气温和10 m风速两个天气要素开展订正试验,并将试验结果与ECMWF预报结果、ANO方法订正结果、Convlstm方法订正结果、Fuse-CUnet方法订正结果和ERA5实况进行对比。结果显示,NFC-Net模型订正的2 m气温和10 m风速的均方根误差(Root Mean Squared Error,RMSE)分别较ECMWF预报产品下降49.71%和50.86%。表明NFC-Net模型可以充分利用多源数据有效改善复杂地形条件下的订正结果。NFC-Net模型可用于订正ECMWF预报结果,显著提升数值天气预报的精度。

吉林省东南部山区气温客观订正方法研究

利用吉林省智能网格2020年72 h日最高、最低气温格点气温指导预报产品、2020年地面2 m实况日最高、最低气温数据,采用小波分析方法、准对称混合滑动训练方法、最优融合方法对吉林省东南部山区72 h最高、最低气温进行产品检验及订正研究。结果表明:72 h日最高、最低气温预报随时间延长,准确率和误差均增加;客观模式在东南部山区气温预报中存在局地小气候特征,高寒山区预报准确率及误差较其他地区明显偏大;72 h日最高气温预报准确率均较最低气温高且误差小;客观方法空间区域上预报性能存在差别,在高寒山区预报性能较其他地区较差,沿鸭绿江流域相关区域预报稳定性较好,且准确率高,同时高温预报准确率仍高于低温预报准确率;最优融合方法在72 h日最高、最低气温订正中普遍高于其他订正方法,特别是在最低气温预报和48—72 h预报时效上优于其他预报产品。

基于频率匹配的EC模式定量降水偏差订正

为了提升模式预报效果,文章利用四川盆地南部2018-2020年5-9月的EC模式降水预报资料和实况降水资料,采用频率匹配的方法对EC模式的24 h累计降水进行订正分析和检验,给出了预报偏差订正系数。研究结果能够提升相关区域的降水预报能力。

CLDAS降水产品的适用性分析及机器学习订正应用

为获得中国气象局陆面数据同化系统(CLDAS)多源降水融合实况分析产品在甘肃省的精细化评估结论并提高该产品的精度,采用甘肃省2215个地面站的降水数据作为检验源,评估CLDAS快速融合和实时融合降水产品的适用性,并基于评估结论采用机器学习方法及优化策略,订正CLDAS降水产品。结果表明:CLDAS降水产品能较好地反映甘肃省降水时空分布,日值的精度整体不如小时值;XGBoost算法较其他模型有显著优势,且在降水量大时订正效果更显著;通过提升训练数据集质量、特征工程和精细调参优化后的XGBoost模型使3级以上降水量的均方根误差减少近50%,1~2级的误判降水得到明显改善,该模型和算法能推广应用于具有相同气候特征的领域。

基于Tabnet的日极大风风速订正预报模型

为了提高日极大风风速的预报能力,特别是8级以上风力的预报,本文以欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts, ECWMF)模式输出的过去3 h阵风风速预报作为输入因子,同时针对ECWMF模式过去3 h阵风风速预报存在的小量级风预报偏大、大量级风预报偏小的预报特征,利用近5年地面观测实况以及ECWMF模式过去3 h阵风资料,构建基于Tabnet的日极大风分级订正预报模型。其中,模型的输入设计包含了前期实况、站点的地理信息、ECWMF模式的预报场及其前期预报误差项。该模型在1年半独立检验样本的估测结果中,其预报模型的平均绝对误差相对ECWMF模式插值降低了45.2%,相应的均方根误差也减少了25.7%。进一步地,在1~5级和8~9级以上风力等级的预报上,该预报模型的预报准确率较利用ECWMF模式预报场插值得到的预报方法均有明显提高,表明该预报方法的可行性。

X波段双偏振雷达不同衰减订正方法对比分析

利用旬邑X波段双偏振雷达数据,采用Z_(h)-K_(DP)综合法、Z_(h)-K_(DP)综合分类法、ZPHI降水廓线法和初始相位法进行衰减订正对比分析,并将订正后数据与西安C波段天气雷达数据进行对比检验。结果表明,4种订正方法均能对反射率因子进行有效订正,订正后强回波中心与K DP强中心基本吻合,可基本还原降水分布特征;采用ZPHI降水廓线法订正后出现条纹状误差回波,订正效果较差;不同订正方法均可使X波段雷达反射率因子与C波段雷达反射率因子间的相关性提高;采用Z_(h)-K_(DP)综合法、Z_(h)-K_(DP)综合分类法和初始相位法订正后,强回波中心位置与C波段雷达较接近,订正后的反射率因子平均值与C波段雷达反射率因子值接近,绝对偏差和相对偏差减小;Z_(h)-K_(DP)综合分类法和初始相位法订正效果相对不稳定,Z_(h)-K_(DP)综合法订正效果较好且稳定。

基于频率匹配法的CMA模式降水预报订正研究

利用2020—2022年中国气象局全球天气模式(CMA-GFS)、中国气象局高分辨率区域模式(CMA-MESO)降水预报数据和吉林省381个关键站点降水观测资料,基于频率匹配法开展降水偏差订正,采用3种方法统计降水预报频率和实况频率,对订正结果开展检验,并对强降水个例开展分析。结果表明:频率匹配法能够有效提高CMA-GFS除中等量级外的降水预报的TS评分,特别是对暴雨预报改善明显,滑动平均法效果最好;频率匹配法能够降低CMA-MESO预报的湿偏差,但对强降水预报TS评分的改善效果不够理想。对于模式预报的强降水位置与实况较一致的过程,频率匹配能够有效提高评分。

基于Delta分位数映射法的青藏高原中东部IMERG卫星降水误差订正

可靠的降水资料对理解青藏高原水量平衡和水循环过程尤为重要。IMERG(Integrated MultisatellitE Retrievals for Global Precipitation Measurement)是新一代卫星降水产品,具有更广的覆盖范围与更高的时空分辨率,但在高原复杂地形条件下仍然存在较大的不确定性。鉴于此,本研究应用Delta分位数映射法(Quantile Delta Mapping,QDM),对IMERG日降水数据进行偏差订正,使用2001-2010年的中国区域地面气象要素数据集(China Meteorological Forcing Dataset,CMFD)降水数据和IMERG日降水产品分季节建立传递函数,对2011-2014年的IMERG逐日降水进行订正。研究结果表明:(1)Delta分位数映射法能够有效订正IMERG的降水频率、数值和空间分布,对极端降水和负偏差较大区域的订正效果更为明显。订正后的IMERG降水概率分布更加接近观测概率分布,降水偏差也更符合正态分布,改进了对全年和季节降水空间分布的刻画,提高了月降水的精度。(2)订正后日降水量均方根误差由1.49 mm·d^(-1)降低到1.26 mm·d^(-1),精度提高了15.44%;订正后的日降水在不同降水量级的临界成功指数CSI、命中率POD、误报率FAR、准确率Precision和F评分Fscore均有提高,降低了微量和暴量降水的空报率。(3)对极端降水的订正效果显著,降水强度SDII以及极强降水量R95p和R99p的均值更接近观测值;有效提高了对极端降水空间分布的表征,极端降水偏差从30%以上降低到5%以内;SDII、R95p和R99p的均方根误差从1.59 mm·d^(-1)、6.54 mm·d^(-1)、14.89 mm·d^(-1)降为0.65 mm·d^(-1)、3.01 mm·d^(-1)、8.99 mm·d^(-1),精度分别提高了59.12%、53.98%和39.62%。本研究验证了Delta分位数映射法在青藏高原的适用性,有利于为青藏高原气象和水文研究获取更精确的降水数据。

基于CMA-TRAMS模式地形高度偏差的地面气温误差订正方法研究

采用一元线性方法建立南海台风模式CMA-TRAMS地形高度偏差和地面气温预报误差的回归关系,分别开展不分级、高度偏差分级和地面气温误差分级的三种订正方法的研究,并进行订正效果评估。结果表明,模式地面气温预报误差与地形高度偏差总体呈负的线性相关关系,地面气温预报绝对误差随地形高度偏差绝对值增大而增大(对模式地形高度偏低站点尤为明显),但不同时刻地面气温预报误差特征表现不同,模式对地形高度偏高(即模式地形高于测站高度)和地形高度偏差小于50m的站点,06时地面气温(世界时,下同)预报总体偏低,对地形高度偏低大于50m的站点(即模式地形低于测站高度),06时地面气温预报总体偏高;而无论站点地形高度偏差如何,模式对18时地面气温预报总体偏高。三种订正方法中地面气温误差分级法能有效地减小地面气温预报误差,该方法订正后的分析场准确率可达96%~99%,12~48小时时效预报场准确率总体可提升至90%以上,该方法具有回归关系稳定、效果显著、适用性广、简单易行等特点。

基于机器学习的模式温度预报订正方法

基于ECWMF模式数据(地面2 m温度、10 m风、降水等多气象要素预报产品)和安徽省80个国家气象站观测资料,利用决策树、随机森林、LightGBM三种机器学习算法订正ECMWF模式0~72 h温度预报,并将其与传统MOS订正方法和主观预报产品进行对比分析。结果表明:ECMWF模式高温预报误差明显高于低温预报,在安徽皖南山区和大别山区存在较大的预报误差。随机森林对最高温度预报的表现最优,LightGBM对最低温度预报的表现最优,与ECMWF模式结果相比,预报准确率分别提高了18.16%和5.19%。高山站点融合周围站点信息的机器学习模型能有效降低高、低温的预报误差。机器学习在高温和寒潮天气过程中相比主观订正仍有良好表现,能显著优化或改善数值模式在转折天气中的温度预测精度。

微波高度计测高的大气订正新算式

为了获得较为精确的微波高度计测量，必须进行大气订正。本文选用雅浦、关岛、广州和上海四站的探空资料，精确地计算了分别由于空气和水汽造成的订正值。在此基础上我们使用回归方法建立了干空气和水汽订正的新算式。将我们的新算式与他人的算式比较分析表明，我们的水汽订正算式是普适的；干空气订正项需考虑地理气候因素；本工作的定量结果比已发表的其他工作结果具有更高的精度。